Прикладне статистичне моделювання (пм)
Тип: На вибір студента
Кафедра: прикладної математики
Навчальний план
| Семестр | Кредити | Звітність |
| 8 | 5 | Залік |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 8 | 48 | доцент Щербатий М. В. | ПМп-42 |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 8 | 32 | ПМп-42 | доцент Щербатий М. В. |
Опис курсу
Курс присвячений застосуванню методів статистичного аналізу для дослідження процесів, моделі яких будуються на основі даних спостережень. Основна увага приділяється регресійним моделям та їхньому застосуванню для аналізу та прогнозування поведінки різноманітних процесів. Поряд з класичною лінійною моделлю множинної регресії розглянуто окремі питання регресійних моделей: мультиколінеарність та засоби її вилучення; тестування та оцінка параметрів у випадку гетероскедантичності та автокореляції регресійних залишків; симультативні моделі; навчання та тестування моделей. Для вивчення курсу використовується Statistics and Machine Learning Toolbox (пакет MatLab). Студенти також можуть використовувати інші програмні продукту для роботи із статистичними моделями.
Метою курсу є навчити студентів:
• будувати регресійні моделі різноманітних процесів на основі даних спостережень за досліджуваним процесом;
• аналізувати адекватність побудованої моделі та робити прогнозування за її допомогою;
• розробляти відповідні алгоритми та програмне забезпечення для реалізації побудованих регресійних моделей;
• використовувати для розв’язування різноманітних прикладних задач наявне в системах комп’ютерної математики програмне забезпечення з статистичного моделювання (зокрема Statistics and Machine Learning Toolbox, пакет MatLab)Matlab).
Рекомендована література
1. Айвазян С.А. Методы эконометрики: учебник. // М.: Магистр: ИНФРА-М, 2010. – 512 с.
2. Лавренюк С.П., Оліскевич М.О. Основи економетрії. Тексти лекцій. // Львів: Вид. центр ЛНУ ім. І.Франка, 2003. – 367 с.
3. Kroese D. P., Chan J. C.C. Statistical Modeling and Computation. // Springer, 2014. – 400 p.
4. Mendenhall W., Sincich T. A second course in statistics: regression analysis./ 7 th ed. //Prentice Hall, 2012 – 797 p.
5. James G., Witten D., Hastie T., Tibshirani R. An Introduction to Statistical Learning with Applications in R. //Springer, 2015. – 426 p.
6. Faul A. C. A concise introduction to machine learning. // Taylor & Francis Group, 2020. – 314 p.
7. Brunton S.L., Kutz J.N. Data-Driven. Science and Engineering. Machine Learning, Dynamical Systems, and Control. // Cambridge University Press, 2019. – 472 p.